Optimal Electric Bus Scheduling under Travel Time Uncertainty: A Robust Model and Solution Method
Notice bibliographique
Résumé
With the increasing adoption of electric buses (e-buses), e-bus scheduling problem has become an essential part of transit operation planning. As e-buses have a limited battery capacity, e-bus scheduling problem aims to assign vehicles to timetabled service trips on the bus routes considering their charging demand. Affected by the dynamic operation environment, the travel time and energy consumption of the e-buses often display considerable randomness, resulting in unexpected trip start delays and battery energy shortages. In this paper, we addressed the e-bus scheduling problem under travel time uncertainty by robust optimization approaches. We consider the cardinality constrained uncertainty set to formulate a robust multidepot EVSP model considering trip time uncertainty and partial recharging. The model is developed based on the dynamic programming equations that we formulated for trip chain robustness checking. A branch-and-price (BP) algorithm is devised to generate provably high-quality solutions for large-scale instances. In the BP algorithm, an efficient label setting algorithm is developed to solve the robust resource-constrained shortest path subproblem. Comprehensive numerical experiments are conducted based on the bus routes in Shenzhen to demonstrate the effectiveness of the suggested methodology. The robustness of the schedules was evaluated through Monte Carlo simulation. The results show that the trip start delay and battery energy shortage caused by the travel time uncertainty can be effectively reduced at the expense of an increase in the operational cost. A trade-off should be made between the reduction in infeasibility rate and increase in operational cost to choose a proper uncertainty budget.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».